DI-UMONS : Dépôt institutionnel de l’université de Mons

Recherche transversale
Rechercher
(titres de publication, de périodique et noms de colloque inclus)
2010-07-03 - Travail avec promoteur/TFE - Français - 81 page(s)

Fremal Sébastien, "Conception et mise en oeuvre d'algorithmes de sélection de ressources dans un environnement informatique hétérogène multi-processeur.", 2010-07-03

  • Codes CREF : Technologie informatique hardware (DI2560), Informatique appliquée logiciel (DI2570)
  • Unités de recherche UMONS : Informatique, Logiciel et Intelligence artificielle (F114)
  • Centres UMONS : Biosys (BIOSYS)
Texte intégral :

Abstract(s) :

(Français) Depuis 2004, la montée en fréquence des processeurs s’accompagne d’un trop fort dégagement de chaleur que pour encore être utilisé pour optimiser les temps d’exécution des algorithmes. La programmation en parallèle a depuis connu un réel essor. Ce paradigme s'appuie sur la division de grands problèmes en de plus petits qui sont alors traités simultanément. Les processeurs graphiques (GPU) possédant des centaines de cœurs de calcul sont depuis quelques années utilisés dans le cadre d’une telle programmation. Le séquençage d’un brin d’ADN consiste à lire les nucléotides le constituant. Une classification des êtres vivants peut être effectuée grâce à la comparaison de certains gènes spécifiques. Pour trouver ces gènes, de nombreuses comparaisons de chaînes d’ADN doivent être effectuées. L’algorithme DNARun de l’application BioloMICS développée par la société BioAWARE pratique de telles comparaisons. Le but de ce TFE est d’améliorer cet algorithme en le parallélisant à la fois sur CPU et sur GPU grâce à un algorithme de sélection de ressources efficace. Après avoir identifié la fonction de tri comme étant la fonction la plus gourmande en temps d’exécution, nous l’avons portée sur un GPU en reprenant l’algorithme de tri bitonique proposé par NVIDIA et en l’adaptant à nos données. Nous avons ensuite utilisé la librairie StarPU, développée à l’INRIA Bordeaux, qui intègre des algorithmes de sélection de ressources efficaces, pour distribuer ce tri à la fois sur des CPU et des GPU. Pour des vecteurs de 220 éléments, les gains obtenus en comparant le temps d’exécution de notre tri à celui du tri sur CPU atteignent 55% lors de l’utilisation d’un GPU seul et 86% lors de la distribution du tri sur quatre CPU et quatre GPU à l’aide de StarPU.